Класс: ClassificationTree
Ошибка классификации перекрестной проверкой
E = cvloss(tree)[E,SE] =
cvloss(tree)[E,SE,Nleaf]
= cvloss(tree)[E,SE,Nleaf,BestLevel]
= cvloss(tree)[___] = cvloss(tree,Name,Value)E = cvloss(tree)tree, дерева классификации. Использование метода cvloss расслоило разделение, чтобы создать перекрестные подтвержденные наборы. Таким образом, для каждого сгиба каждый раздел данных имеет примерно те же пропорции класса, как в данных раньше обучал tree.
[___] = cvloss( крест подтверждает с дополнительными опциями, заданными одним или несколькими аргументами пары tree,Name,Value)Name,Value, с помощью любого из предыдущих синтаксисов. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
Вычислите ошибку перекрестной проверки для дерева классификации по умолчанию.
Загрузите набор данных ionosphere.
load ionosphereВырастите дерево классификации использование целого набора данных.
Mdl = fitctree(X,Y);
Вычислите ошибку перекрестной проверки.
rng(1); % For reproducibility
E = cvloss(Mdl)E = 0.1111
E является 10-кратной misclassification ошибкой.
Примените перекрестную проверку k-сгиба, чтобы найти, что лучший уровень сокращает дерево классификации для всех его поддеревьев.
Загрузите набор данных ionosphere.
load ionosphereВырастите дерево классификации использование целого набора данных. Просмотрите получившееся дерево.
Mdl = fitctree(X,Y); view(Mdl,'Mode','graph')
Вычислите 5-кратную ошибку перекрестной проверки для каждого поддерева за исключением самого высокого уровня сокращения. Задайте, чтобы возвратить лучший уровень сокращения по всем поддеревьям.
rng(1); % For reproducibility
m = max(Mdl.PruneList) - 1m = 7
[E,~,~,bestLevel] = cvloss(Mdl,'SubTrees',0:m,'KFold',5)
E = 8×1
0.1368
0.1339
0.1311
0.1339
0.1339
0.1254
0.0997
0.1738
bestLevel = 6
Из уровней сокращения 7 лучшим уровнем сокращения является 6.
Сократите дерево к лучшему уровню. Просмотрите получившееся дерево.
MdlPrune = prune(Mdl,'Level',bestLevel); view(MdlPrune,'Mode','graph')
Можно создать перекрестную подтвержденную древовидную модель с crossval и вызвать kfoldLoss вместо cvloss. Если вы собираетесь исследовать перекрестное подтвержденное дерево несколько раз, то альтернатива может сэкономить время.
Однако различающийся cvloss, kfoldLoss не возвращает SE, Nleaf или BestLevel. kfoldLoss также не позволяет вам исследовать любую ошибку кроме ошибки классификации.